INVESTIGACION DE OPERACIONES

UNIDAD 1. PROGRAMACION LINEAL.

DOCENTE: ING. ROLANDO PACHECO RAMOS.
La investigación de operaciones puede definirse cómo un
grupo de métodos y técnicas aplicables a la solución de
problemas operativos a los sistemas.
Para Davis y Mckewon , 1986 se le conoce como ciencias
de la administración o como métodos y modelos
cuantitativos para la toma de decisiones.
Un rasgo que debe señalarse para la investigación de
operaciones es su carácter interdisciplinario, es decir que
se aplica a situaciones de diversa índole en las empresas e
instituciones como puede ser el área de ventas,
produccion, finanzas, personal, mercadotecnia,
mantenimiento y otras.

1.1Ambientes y criterios para la Toma

de Decisiones.
 DEFINICIÓN.
La toma de decisiones es el proceso mediante el
cual se realiza una elección entre las alternativas
o formas para resolver diferentes situaciones de
la vida, estas se pueden presentar en diferentes
contextos, a nivel laboral, familiar, sentimental,
empresarial, etc.

La toma de decisiones es un solo paso de la

planeación ya que forma la parte esencial de los
procesos que se siguen para la elaboración de los
objetivos o metas trazadas a seguir. Rara vez se
puede juzgar solo un curso de acción, porque
prácticamente cada decisión tiene que estar
engranada con otras planes.
En todo empresa o institución, el administrador debe
tomar numerosas decisiones sobre diferentes
situaciones en las que se haya involucrado. Podríamos
señalar una serie de pasos racionales para lograr una
buena decisión, los cuales pueden ser los siguientes:
1. Establecer los objetivos de la decisión.
2. Clasificar los objetivos.
3. Desarrollar alternativas de decisión.
4. Evaluar las alternativas.
5. Implementar las alternativas elegidas.
6. Controlar efectos no deseados de la decisión.
7. Seguimiento.
Es muy importante señalar que la bondad de la
decisión puede ser algunas veces distinta al resultado
que se obtenga con la misma.
ELECCIÓN DEL CRITERIO DE DECISIÓN EN
CONDICIONES DE INCERTIDUMBRE
Situación en la que podemos descubrir los
estados posibles de la naturaleza pero
desconocemos la probabilidad de ocurrencia de
cada uno de ellos. Los criterios de decisión mas
empleados en estos casos son un reflejo de la
actitud hacia el riesgo que tienen los
responsables en la toma de decisiones. El criterio
de decisión se toma en basándose en la
experiencia de quién toma la decisión, este
incluye un punto de vista optimista o pesimista,
agresivo o conservador.
La toma de decisiones bajo incertidumbre se
presenta cuando no puede predecirse el futuro
sobre la base de experiencias pasadas.
OTRAS DEFINICIONES
Algoritmo.
Procedimiento que consiste en una serie de pasos
ejecutables y de decisión ordenados en una
secuencia lógica para hallar un problema.
Modelo.
Representación de una situación real en el caso de la
investigación de operaciones los modelos que se
manejan son matemáticos y consisten en una
ecuación que describe el comportamiento de un
fenómeno que sucede en un sistema dado.
Función objetivo.
Es una variable, normalmente simbolizada por la
letra Z, la cual representa aquello que se debe
optimizar por ejemplo, un costo que se pretende
minimizar, o bien una utilidad o ingreso que se
busca maximizar.
OTRAS DEFINICIONES
Variables del problema.
Son aquellas variables que no se conocen y que
al momento de resolver el problema, deberán
quedar definidas de tal manera que logren la
optimización de la función objetivo. A estas
variables también se les conoce como variables
de decisión.

Coeficientes de la función objetivo.

Son cantidades constantes que aparecen en la
ecuación de la función objetivo multiplicando a
las variables del problema.
OTRAS DEFINICIONES
Restricciones.
Son las limitaciones físicas o condiciones que
debe cumplir el problema, por ejemplo, cantidad
disponible de recursos, que pueden ser materiales,
tiempo mano de obra, etc. También suele
llamárseles restricciones funcionales.

Restricciones no explicitas.
Son aquellas condiciones ocultas en el problema
que no aparecen en la información disponible,
pero deben ser tomadas en cuenta tanto en el
planteamiento como en la resolución del mismo.
Los ejemplos mas frecuentes de este tipo de
restricciones son la no negatividad de las
variables del problema o el que estas deban ser
números enteros.
 OTRAS DEFINICIONES
Sistema.
Es una parte del universo que se toma a parte
para ser estudiada, pudiendo estar unida con el
exterior o con otros sistemas por medio de flujos
de materiales, tal y como se muestra en la
siguiente figura:

Flujos de Entrada Flujos de Salida

Sistema
Metodología.
Para plantear un problema pueden aplicarse los
siguientes pasos (Bronson, 1992):

1. Definir las variables del problema. Consiste en

identificar las variables, representarlas con letras y definir
sus unidades.

2. Definir la función objetivo. Identificar aquella variable

que debe ser optimizada, que se representara como Z,
mayúscula y expresar su ecuación matemática en función
de las variables del problema y sus coeficientes. Además,
deberá establecerse si la optimización es una
maximización o una minimización.

Fases de Estudio de la Investigación de

Operaciones.
3. Definir las restricciones. Esto significa
establecer una ecuación para cada restricción en
función de las variables del problema. Es
frecuente que las ecuaciones de las restricciones
sean desigualdades del tipo mayor o igual que
(≥ y/o ≤). Es conveniente señalar que no todas
las variables del problema pueden aparecer en
cada restricción, esto dependerá del tipo
particular del problema del que se trate.

4. Definir las restricciones no explicitas.

Consiste en identificar y expresar dichas
restricciones en el planteamiento del problema.
EJEMPLO 1.
En esta metodología deberá ponerse especial atención a las unidades en las ecuaciones que se plantean, las
cuales deben ser las mismas, esto significa que si en el lado izquierdo de una restricción se manejan por
ejemplo, unidades de litros, en el lado derecho de la restricción las unidades deben ser también litros.
Un expendio naturista prepara sus alimentos y los vende al publico basándose en tres materias primas, cuyos
contenidos se presentan enseguida:
Materia Costo $/kg Azucares % Grasas % Proteínas% Inertes%
prima
A 2.35 12 10 60 18

B 2.00 10 10 50 30

C 1.70 8 6 44 42

¿Cuánto deberán mezclar de cada una de las tres si se desea minimizar el costo para preparar un kg de
alimento cuyo contenido de azúcar no sea menor a 10%, su contenido de grasa no mayor que 9.5% y su
contenido de proteínas no menor de 52%?
Aplicando los pasos de la metodología.
1.- definir las variables del problema estas variables serán los contenidos necesarios de las tres materias
primas, las cuales se definen de la siguiente manera:

X1=Fraccion de kg de la materia prima A

X2=Fraccion de kg de la materia prima B
X3=Fraccion de kg de la materia prima C

2. Se define la función objetivo Z, que será el costo de un kilogramo de alimento, el cual deberá minimizarse
y cuya ecuación en función de las variables X1, X2, X3 será
Min Z= 2.35X1 +2.00X2 +1.70X3
Los coeficientes de las variables son los costos unitarios de la materia prima.
Al continuar con la metodología y de acuerdo con el paso 3 existen limitaciones en cuanto al contenido de
azucares, grasas y proteínas, por lo que abra una restricción por cada limitante, estas serán :

Contenido de Azucares: 12X1+10X2+8X3 ≥10.0

Contenido de Grasas: 10X1+10X2+6X3 ≤ 9.5

Contenido de Proteínas: 60X1+50X2+44X3 ≥52

X1+ X2 + X3 = 1
Paso 4 la única restricción no explicita será que las variables X1, X2, X3 deberán ser no negativas. Pues no
tendría ningún sentido físico hablar de alguna X negativa, esto es.
X1, X2, X3, no negativas.
Al agrupar las ecuaciones queda planteado el problema:
Min Z= 2.35X1+2.00X2+1.70X3
Sujeta a las restricciones:
12X1+10X2+8X3 ≥10.0
10X1+10X2+6X3 ≤ 9.5
60X1+50X2+44X3 ≥52
X1+ X2+X3=1
X1, X2, X3 ≥ 0
EJEMPLO 2.
Una fabrica de calzado dispone de 45 unidades de piel y 20 horas de tiempo para producir dos tipos de botas de las
cuales el primer tipo requiere seis unidades de piel y 2 horas de tiempo vendiéndose a $800 cada par, mientras el
segundo tipo necesita cinco unidades de piel y 2.5 horas de tiempo, vendiéndose a $ 725 cada par. ¿Cuántos pares
de botas de cada tipo deberán fabricarse con el fin de maximizar los ingresos?
X1= primer tipo de bota.
X2= segundo tipo de bota.
Maximizar Z= 800X1 + 725X2.
6X1 + 5X2 ≤ 45.
2X1+ 2.5X2 ≤ 20. X1, X2 enteras.

Max Z= 800X1 +725X2.

6X1 + 5X2 ≤ 45.
2X1+ 2.5X2 ≤ 20
con X1, X2 enteras y no negativas.
EJERCICIO 1.
La empresa Agropec esta buscando producir un alimento para ganado a un costo mínimo para eso cuenta con
tres productos como materias primas los cuales tienen las siguientes características:

Materia Costo $/kg Vitaminas % Minerales % Proteínas %

prima
A1 45 12 30 18

A2 37 10 30 15

A3 30 8 25 15

¿Cómo deben mezclarse estas tres materias primas para preparar 1 kg del producto si este debiera contener
por lo menos 11% de vitaminas 28% de minerales y 17% de proteínas.
EJERCICIO 2.
Una Fabrica de jabones esta buscando un programa de producción que maximice sus ingresos. Tiene la
opción de elaborar tres tipos de jabones, los cuales requieren de horas-maquina, acido graso y sosa cáustica
en las siguientes cantidades:

Tipo de Jabon Precio $/u Horas-Maquina Acido Graso, gr Sosa Caustica, gr

1 5.18 18 418 32

2 4.37 14 350 24

3 3.29 10 310 20

Si la fabrica dispone de 500 horas-maquina, de 120 kg de acido graso y de 10 kg de sosa caustica. ¿Cuantos
jabones deberá producir de cada tipo?
El método grafico es la forma mas simple para resolver
los problemas de programación lineal; consiste en
graficar las ecuaciones correspondientes a las
restricciones en coordenadas cartesianas siendo cada
variable representada en uno de los ejes, de forma que
quede perfectamente delimitada la zona factible de
solución, procediéndose entonces a tratar de localizar en
ella el punto que optimice la función objetivo.

En este método, como cada variable se representa en un

eje, solo podrán manejarse problemas que tengan como
máximo tres variables, ya que no es posible graficar mas
de tres dimensiones.

METODO GRAFICO.
METODOLOGIA.
1.- Plantear el problema esto es, convertir los
datos e información que se tiene del problema en
un sistema de ecuaciones debidamente
planteadas como programación lineal.

2.- Representar una variable del problema en

cada eje cartesiano, procediendo luego a
graficar las ecuaciones de las restricciones en el
plano formado. Cada intersección de un par de
restricciones formara una vértice de la zona de
solución, siendo el primero de estos el origen, ya
que es el punto de intersección de las
restricciones de no negatividad.
METODOLOGIA.
Entonces habrá tantos vértices como
intersecciones posibles haya entre un par dado de
restricciones ya sean estas funcionales o de no
negatividad. Con esto se delimita la zona factible
de solución de acuerdo con el tipo de restricciones
del problema, es decir, si las restricciones son del
tipo mayor o igual que, la zona factible de
solución se ubicara hacia la parte superior del
primer cuadrante de la grafica, y por el contrario,
si las restricciones son del tipo menor o igual que,
la zona factible será la que quede por debajo de
las líneas rectas correspondientes a las
restricciones, pero siempre por encima del origen.
Finalmente, cualquier restricción de igualdad
implicara que la zona factible deberá quedar en la
linea correspondiente a dicha restricción.
METODOLOGIA.
3.-Trazar ecuaciones de la función objetivo, dándole
suficientes valores a Z, viendo cuales de ellas tocan
alguna parte de la zona factible de solución. Debe
señalarse que este paso puede omitirse, pues el
objetivo es hallar el punto corresponde a la solución
del problema, el cual será aquel que optimice la Z,
lo cual se explica en el paso 4.
4.- hallar la solución de problema, es decir, aquella
recta de las trazadas en el paso anterior que
optimice la función objetivo aquí es pertinente
comentar que pueden existir varias soluciones
optimas de un problema que es el caso cuando una
de las rectas correspondientes a las restricciones es
paralela a la recta de la función objetivo, en caso
contrario, existirá una solución optima única, que
será aquella que maximice o minimice la Z según,
sea el caso.
METODOLOGIA.
Este paso también puede llevarse acabo
hallando el valor de Z de cada uno de los
vértices de la región factible de solución,
buscando entonces aquel vértice que tenga la Z
máxima o mínima según el caso que se va a
resolver.
EJEMPLO 1.
Resolver por el metodo grafico el problema.
Max Z = 0.5A + 0.4B
Sujeta a las siguientes restricciones:
2A + B ≤ 20 (1)
A + B ≤ 16 (2)
Siendo A y B no negativas.
Solución.
Representaremos a A en el eje de las abcisas y B en el eje de las ordenadas.
Luego graficaremos las ecuaciones de las restricciones tomando desigualdades como igualdades.
2A + B = 20 (1)
A + B = 16 (2)
Si vemos el tipo de ecuaciones de cada restricción, nos daremos cuenta que se trata de lineas rectas, las cuales
podrían trazarse con localizar dos puntos, esto se hace de la siguiente manera:
EJEMPLO 1.
Ecuación (1).
2A + B = 20. Si A = 0, B= 20
Si B = 0, A= 10
Entonces los puntos son P1( A= 0, B= 20) y P2 (A= 10, B= 0).
Para la ecuación (2).
A + B = 16. Si A = 0, B= 16
Si B = 0, A= 16
Siendo los puntos Q1 (A= 0, B= 16) y Q2 (A= 16, B= 0).

Una representación grafica se muestra en la siguiente figura.

Como se observa hay 3 zonas enumeradas, la zona 1 y 2 no cumplen la región factible de solución debido a
que deben de cumplir con ambas restricciones.
EJEMPLO 1.
Por otra parte la zona 3 queda debajo de las rectas de las ecuaciones 1 y 2, cumpliendo por lo tanto con
ambas restricciones, siendo la región factible para la solución, por lo cual queda representada con lineas
punteadas O-Q1-PQ-P2.
En este caso hay cuatro vértices que son los puntos O, Q1, PQ y P2.
Ahora realizaremos algunas rectas para la función objetivo.
Dandole diferentes valores a Z. En esta caso tomaremos 2 rectas.
Primero el que pasa por el punto Q1.
Donde A= 0 y B= 16. Entonces Z será igual a:
Z= 0.5A + 0.4B = 0.5(0) + 0.4(16)= 6.4
Para el otro punto cuando B= 0.
0.5A + 0.4B=6.4
0.5A+ 0.4(0)=6.4
A= 12.8. Siendo el otro punto ( A= 12.8, B= 0) el cual denominaremos R.
EJEMPLO 1.
Para la otra recta tomaremos el punto P2 (A= 10, B= 0), siendo Z= 0.5(10) + 0.4(0)= 5.
Para graficar la recta necesitaremos otro punto, para esto tomaremos A= 0.
Entonces Z= 0.5(0) + 0.4B= 5. B= 12.5
Siendo este punto (A= 0, B= 12.5) el cual denominaremos S.
Estas rectas se presentan en la región factible de Solución. Solo que
La linea Z= 6.4 quedan algunos puntos fuera de la solución.
Ahora hallaremos la recta paralela de estas 2 que quede dentro de la
Zona de solución y que maximice a Z.
Para verificar esto es obtener la Z de los cuatro vértices que forman
La zona de solución.
Punto O (A= 0, B= 0)
Entonces Z= 0.5A + 0.4B= 0.5(0) + 0.4(0)= 0.
EJEMPLO 1.
Punto Q1 (A= 0, B= 16)
Entonces Z= 0.5A + 0.4B= 0.5(0) + 0.4(16)= 6.4.
Punto PQ( no se conocen las coordenadas).
Para este punto resolveremos las dos restricciones simultáneamente ya que se intersectan.
2A + B = 20 (1)
A + B = 16 (2)
Restamos la ec. 2 de la 1 tendremos:
2A - A + B - B = 20 - 16 A= 4. 2A - A+ B-B = 20 -16. A= 4.
Sustituyendo este valor en la ecuación 2:
A + B = 16
4 + B = 16. Por lo tanto B = 16 - 4 = 12. Entonces las coordenadas son ( A = 4, B = 12)
Para Z = 0.5A + 0.4B = 0.5(4) + 0.4(12) = 2 + 4.8 = 6.8
EJEMPLO 1.
Finalmente el punto P2( A= 10, B= 0).
Entonces Z= 0.5A + 0.4B= 0.5(10) + 0.4(0) = 5.
De aquí vemos que la solución del problema es el punto de intersección de las rectas de las restricciones, PQ
donde:
A = 4.
B = 12.
Z = 6.8.
EJEMPLO 2.
Resolver el problema.
Min Z= 10A + 9B
Sujeto a las restricciones:
A + 2B ≥ 12 (1)
2A + B ≥ 10 (2)
Siendo A y B no negativas.
Iniciamos con la resolución del problema tomando como A en el eje de las abcisas y a B en las ordenadas.
Graficaremos las ecuaciones de las restricciones tomando las desigualdades como igualdades.
A + 2B = 12 (1)
2A + B = 10 (2)
De la ecuación 1. A + 2B = 12. De la ecuación 2. 2A + B = 10.
Si A = 0, B = 12/2= 6, punto P1(A= 0, B= 6). Si A= 0, B= 10, punto Q1(A= 0, B= 10).
Si B = 0, A = 12, punto P2(A= 12, B= 0). Si B= 0, A= 10/2= 5, punto Q2(A= 5, B= 0).
EJEMPLO 2.
Como vemos en la grafica tenemos 3 zonas, de las cuales la zona 1 y la zona 2 cumplen con alguna
restricción debido a que las desigualdades son de mayor o igual que ( ≥ ). Por lo cual la zona 3 no cumple
con ninguna de las restricciones. Por lo tanto la zona factible de solución será aquella que quede por encima
de las ecuaciones de las restricciones, es decir la linea formada
Por los puntos Q1, PQ, P2. El punto de solución será aquel que
Minimice a Z de la región factible, dicho punto debe estar
Localizado en los vértices de dicha zona, en este caso los puntos
Q1, PQ, P2.

Para el punto Q1( A= 0, B= 10).

Z= 10A + 9B= 10(0) + 9(10)= 90.

Para el punto P2(A= 12, B= 0).

Z= 10A + 9B= 10(12) + 9(0)= 120.
EJEMPLO 2.
Para el punto PQ resolveremos las 2 ecuaciones de restricciones simultáneamente esto es:
A + 2B = 12 (1)
2A + B = 10 (2)
De la ecuación 2 despejamos B y la sustituimos en la ecuación 1.
B= 10 - 2A. B= 10 - 2(8/3) = 10 -16/3 = 30/3 - 16/3 = 14/3.
A + 2(10 - 2A)= 12 Por lo tanto el punto PQ(A= 8/3, B= 14/3)= 2.67, 4.67
A + 20 - 4A= 12 Z= 10A + 9B= 10(8/3) + 9(14/3)=
-3A=12 - 20 Z= 80/3 + 126/3= 206/3. = 68.67
A= -8/-3= 8/3.

De aqui vemos que la solución esta situada en el punto PQ que cumple con la Z mínima y cumple con las
restricciones, por lo tanto la solución es:
A= 8/3, B= 14/3 y Z= 206/3.
EJERCICIO 1.
Minimizar:
Z= 7X + 9Y
Sujeta a las restricciones:
2X + 3Y ≥ 36.
X + Y ≥ 14.
Siendo X y Y no negativas.
EJERCICIO 2.
Maximizar:
Z= 6X + 9Y
Sujeta a las restricciones:
X + 2Y ≤ 20.
2X + Y ≤ 24.
Siendo X y Y no negativas.
Este método fue desarrollado por George B. Dantzing en
los Estados Unidos en 1947 y hoy en día es muy popular
debido a su amplio uso y versatilidad en la resolución de
problemas de programación lineal.
Es un procedimiento matricial iterativo para manejar
variables no negativas, de fácil implementación en
computadora , lo cual nos permite solucionar problemas
de un elevado numero de variables y restricciones.
El método simplex toma siempre como posible solución un
punto correspondiente a uno de los vértices de la región
factible de la solución, siendo la primera aproximación el
origen. De aquí en las siguientes iteraciones, el simplex se
moverá hacia otros vértices, hasta que alguno de ellos sea
el optimo.

METODO SIMPLEX.
ETAPAS DEL METODO SIMPLEX.
El metodo simplex puede dividirse en tres etapas,
las cuales son las siguientes:
1. Etapa inicial. Consiste en dar la primera
solución factible en él vértice correspondiente al
origen. Esta etapa abarca los tres primeros
pasos del procedimiento simplex el cual se
explicara mas adelante.
2. Etapa iterativa. La cual implica que el método
busque una mejor solución a la anterior en otro
vértice. Esta etapa corresponde al paso 4 del
procedimiento simplex.
3. Etapa de prueba de optimalidad. La cual se
lograra cuando la solución de un vértice es
mejor que la de los vértices adyacentes a él. Esta
etapa es el 5 paso de la metodología simplex.
PROPIEDADES DE LAS SOLUCIONES FACTIBLES.

Este método se basa en algunas propiedades de

las soluciones factibles de la programación
lineal, las cuales son las siguientes.
1. En caso de haber una solución optima, esta se
localizara en uno de los vértices de la zona
factible de solución.
2. Si existen soluciones múltiples, estas se
situaran en vértices adyacentes de la región
factible de la solución.
3. Habra siempre un numero finito de soluciones
factibles en los vértices.
4. La solución optima en un vértice será aquella
que sea mejor que las soluciones de vértices
adyacentes a aquel.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Resolver el problema de programación lineal
Max Z = 10X1 + 12X2
Sujeta a las siguientes restricciones:
4X1 + 3X2 ≤ 3.6 (1)
X1+ X2 = 1 (2)
2X1 + 3X2 ≥ 2.4 (3)
Solución.
Paso 1. Convertir las desigualdades de las restricciones en igualdades mediante la incorporación de variables
de holgura (también llamadas variables de excedente) y/o variables artificiales (también conocidas como
ficticias), las cuales se agregaran a las restricciones con un coeficiente cuyo valor podemos determinar en la
siguiente tabla:
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Coeficiente de la variable de Coeficiente de la variable
Tipo de restricción
holgura artificial
Menor o igual que (≤) 1 0
Mayor o igual que (≥) -1 0+1
Igualdad (=) 0 0+1
Aproximadamente igual +1 y -1 0

En esta tabla las restricciones de tipo menor o igual que (≤) agregan una variable de holgura porque se
supone que les falta algo para lograr la igualdad, siendo eso que les falta precisamente esta variable.
Las restricciones de igualdad no llevan variable de holgura, sin embargo requieren una variable artificial con
coeficiente +1.
Por su parte las restricciones mayor o igual que (≥) restan una variable de holgura dado que al lado izquierdo
le sobra algo para igualarse al lado derecho y agregan una variable artificial pues la variable de holgura tiene
un coeficiente -1, siendo entonces necesario incorporar una variable artificial con coeficiente +1, para que la
parte identidad de la tabla simplex quede debidamente formada.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Si observamos el ejemplo tenemos tres restricciones, una de cada tipo.
La primera es del tipo menor o igual que (≤), de acuerdo a la tabla tenemos:
4X1 + 3X2 + H1 = 3.6 (1)
Siendo H1 la variable de holgura.
La segunda restricción es de igualdad, de acuerdo a la tabla tenemos:
X1 + X2 + F1 = 1 (2)
Donde F1 es la variable artificial.
Para la tercera restricción del tipo mayor o igual que (≥), con esto tendremos:
2X1 + 3X2 - H2 + F2 = 2.4 (3)
Donde H2 es la variable de holgura y F2 es la variable artificial.
Paso 2. Incluir las variables de holgura y artificiales en la ecuación de la función objetivo con un coeficiente
que será cero en el caso de las variables de holgura y M para las artificiales, donde M se supone que es un
valor muy grande, el cual no necesariamente debe ser conocido, pues el método mas adelante tendera a
eliminarla de la zona de solución del problema.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Entonces la función objetivo queda:
Max Z = 10X1 + 12X2 + 0H1 + 0H2 - MF1 - MF2
Aqui debemos señalar que la M se ha agregado con signo negativo por tratarse de un problema de
maximización, pues para el caso de minimización la M será positiva.
Paso 3. Formar la primera tabla, para esto:
a) expresar las ecuaciones de las restricciones en función de sus coeficientes, del modo siguiente:

X1 X2 H1 H2 F1 F2
3.6 4 3 1 0 0 0

1 1 1 0 0 1 0
2.4 2 3 0 -1 0 1

Columna de cuerpo parte de identidad constantes.

EJEMPLO 1. CASO DE MAXIMIZACIÓN.
b) agregar el renglón objetivo arriba del renglón de variables, el cual incluirá los coeficientes de las variables
en la función objetivo, con esto tendremos:

10 12 0 0 -M -M
X1 X2 H1 H2 F1 F2
3.6 4 3 1 0 0 0
1 1 1 0 0 1 0
2.4 2 3 0 -1 0 1

A estos coeficientes de las variables en la función objetivo también se les denomina contribuciones.
c) buscar la primera solución (conocida también como solución básica inicial), en función de las variables
cuyos coeficientes son +1 en la parte identidad, con esto tendremos:
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
10 12 0 0 -M -M
X1 X2 H1 H2 F1 F2
0 H1 3.6 4 3 1 0 0 0
Columna objetivo. -M F1 1 1 1 0 0 1 0
-M F2 2.4 2 3 0 -1 0 1
Zona de solución.
Cómo podemos observar en la tabla se agrego en la zona de solución en cada renglón, aquella variable cuyo
coeficiente es +1 en la parte identidad. También en la columna objetivo se han incluido los coeficientes que
tienen estas en la función objetivo.
A las variables que forman la zona de solución se les llama variables básicas.
De esta forma la primera solución será:
H1= 3.6. F1= 1. F2= 2.4. Z= 0.
Aquí Z es cero porque no aparece en la zona de solución, de igual forma H2, X1 y X2 son cero por esta
misma razón. A estas variables se les denomina no básicas.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
d) Generar el renglón indice o renglón de la utilidad por medio de la siguiente formula:

Numero sumatoria de los productos de los elementos El elemento correspondiente a la

Indice = de la columna por el respectivo elemento de - Columna en el renglón objetivo
la columna objetivo

Ec. V1.
Aquí es pertinente señalar que esta formula es aplicable para problemas de maximización, para casos me
minimización los términos de lado derecho de signo igual cambian de signo, es decir, que la sumatoria ira con
signo menos y el elemento del renglón objetivo con signo mas.
Ahora procederemos a calcular con la formula V1. Los elementos del renglón indice:
Para la columna que encabeza la variable X1, tendremos:
Sumatoria = 0x4 + (-M)x1 + (-M)x2 = 0 -M -2M = 0 - 3M
Por tanto el elemento indice sera: 0 - 3M - 10 = -10 -3M
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Para la columna de X2, sera:
Sumatoria = 0x3 + (-M)x1 + (-M)x3 = 0 -M -3M = 0 - 4M
Por tanto el elemento indice sera: 0 - 4M - 12 = -12 -4M
Para la columna de H1, sera:
Sumatoria = 0x1 + (-M)x0 + (-M)x0 = 0 + 0 + 0 = 0
Por tanto el elemento indice sera: 0 - 0 = 0
Para la columna de H2, sera:
Sumatoria = 0x0 + (-M)x0 + (-M)x(-1) = 0 + 0 + M = 0 + M
Por tanto el elemento indice sera: 0 + M - 0 = 0 + M
Para la columna de F1, sera:
Sumatoria = 0x0 + (-M)x1 + (-M)x0 = 0 - M + 0 = 0 - M
Por tanto el elemento indice sera: 0 - M - (-M) = 0
Para la columna de F2, sera:
Sumatoria = 0x0 + (-M)x0 + (-M)x(1) = 0 - 0 - M = 0 - M
Por tanto el elemento indice sera: 0 - M - (-M) = 0
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
La utilidad será el elemento indice correspondiente a la columna de constantes, el cual será:
Sumatoria = 0x3.6 + (-M)x1 + (-M)x2.4 = 0 - M - 2.4M = 0 - 3.4M
Elemento Indice = 0 - 3.4M - 0 = 0 - 3.4M
(Utilidad)
Como podemos observar todos los números indice tienen en este caso 2 términos: uno numérico y otro en M,
por lo tanto en estos casos se descompone el renglón en 2 partes, una con la parte numérica y otra con los
términos que contienen a M.
Con esto la tabla Simplex nos quedara:
10 12 0 0 -M -M
X1 X2 H1 H2 F1 F2
0 H1 3.6 4 3 1 0 0 0
-M F1 1 1 1 0 0 1 0
-M F2 2.4 2 3 0 -1 0 1
Utilidad 0 -10 -12 0 0 0 0 numerica
-3.4 -3 -4 0 1 0 0 Parte M
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
El valor de -3.4 corresponde a la parte M del renglón indice puede omitirse.
(Utilidad)
Con esto queda nuestra primera tabla simplex, y la primera aproximación de la solución del problema.
Variables básicas. Variables no básicas.
H1 = 3.6 H2 = 0
F1 = 1 X1 = 0
F2 = 2.4 X2 = 0
Esta aproximación será el optimo (solución del problema) cuando no haya numero negativos en el renglón
indice( prueba de optimalidad), si existe elementos negativos deberá mejorar en las siguientes iteraciones.
Paso 4. Mejorar la aproximación anterior mediante la siguiente procedimiento.
a) Determinar la columna clave o columna de trabajo. El que posea el numero indice mas negativo.
En los casos que la tabla simplex tenga 2 partes del renglón Indice, se considera primero la parte con
términos en M y luego la numérica. En base a esto la parte M mas negativo es -4 por lo que la columna clave
será la variable X2.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
10 12 0 0 -M -M
X1 X2 H1 H2 F1 F2
0 H1 3.6 4 3 1 0 0 0
-M F1 1 1 1 0 0 1 0
-M F2 2.4 2 3 0 -1 0 1
0 -10 -12 0 0 0 0
-3 -4 0 1 0 0
b) Determinar el renglón clave.
El renglón clave será aquel que tenga el menor cociente de los obtenidos al dividir los elementos de la columna
de constantes entre el correspondiente de la columna clave. No se incluye el renglón indice como candidato a
ser clave.
Ademas no se tomaran como denominadores de la columna clave que sean menores o iguales a cero.
Por lo tanto hay 3 renglones que pueden ser clave.
Para el primer renglón tenemos: Cociente = 3.6/3 = 1.2
Para el segundo renglón: Cociente = 1/1 = 1
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Para el tercer renglón: Cociente = 2.4/3 = 0.8
Aquí observamos que el menor cociente es 0.8, por lo que será el renglón clave.

10 12 0 0 -M -M
X1 X2 H1 H2 F1 F2
0 H1 3.6 4 3 1 0 0 0
-M F1 1 1 1 0 0 1 0
-M F2 2.4 2 3 0 -1 0 1
0 -10 -12 0 0 0 0
-3 -4 0 1 0 0
c) Determinar el numero clave o elemento pivote, el cual será aquel elemento que pertenece a la vez al
renglón y a la columna clave.
En este ejemplo el numero clave es el 3.
d) Hacer el numero clave la unidad, lo cual se consigue al dividir el renglón clave entre el numero clave.

0.8 0.667 1 0 -0.333 0 0.333

EJEMPLO 1. CASO DE MAXIMIZACIÓN.
e) Sustituir la variable y su contribución que encabeza el renglón clave (variable que sale) por la variable y
su contribución que encabeza la columna clave (variable que entra).
Con este cambio queda de la siguiente manera:

12 X2 0.8 0.667 1 0 -0.333 0 0.333

Ahora la variable X2 se ha convertido en básica al entrar en la zona de solución.

La variable F2 con la modificación ha salido de la zona de solución, puede eliminarse de la tabla la columna
de dicha variable.
f) Hacer ceros los elementos restantes de la columna clave, con excepción del numero clave.
Se logra mediante sumarle o restarle a cada renglón un determinado numero de veces el renglón clave,
procedimiento conocido como Reducción de Gauss.

3.6 4 3 1 0 0 0
-3 (0.8) 0.667 1 0 -0.333 0 0.333)
1.2 2 0 1 1 0 -1
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Ahora para el segundo renglón, si le restamos el segundo renglón clave nos dará un cero en el respectivo
elemento de la columna clave, esto es:
1 1 1 0 0 1 0
- 0.8 0.667 1 0 -0.333 0 0.333)
0.2 0.333 0 0 0.333 1 -0.333
Ahora pasamos al renglón indice, primero la parte numérica, donde ves que a este le sumamos 12 el renglón
clave, no habrá cero.
0 -10 -12 0 0 0 0
+ 12 0.8 0.667 1 0 -0.333 0 0.333)
9.6 -2 0 0 -4 0 4
Finalmente pasamos a la parte M del renglón indice, a la cual le sumaremos el renglón clave multiplicado
por 4 con esto tendremos.
-3 -4 0 1 0 0
+ 4 0.667 1 0 -0.333 0 0.333)
-0.333 0 0 -0.333 0 1.333
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Con estos cambios, la tabla simplex completa para esta iteración es:
10 12 0 0 -M
X1 X2 H1 H2 F1
0 H1 1.2 2 0 1 1 0
-M F1 0.2 0.333 0 0 0.333 1
12 X2 0.8 0.667 1 0 -0.333 0
9.6 -2 0 0 -4 0
-0.333 0 0 -0.333 0
Aquí hemos eliminado de la tabla a F2 tal y como lo indicamos en el inciso e)
Esta nueva aproximación es:
Variables básicas. Variables no básicas.
H1 = 1.2 H2 = 0
F1 = 0.2 X1 = 0
X2 = 0.8 F2 = 0
Z = 9.6
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Si comparamos esta solución, nos damos cuenta que H2 y X1 permanecen sin cambio y X2 ha pasado a ser
básica en vez de F2. Cuando solamente una de las variables no básicas cambie de una iteración a la siguiente,
como en este caso, se dice que las 2 soluciones son adyacentes.
Esta solución es mejor que la anterior, pero todavía no es el optimo, debido a que hay números negativos en
el renglón indice, por lo que seguiremos con la metodología.
Paso 5. Repetir el paso 4 hasta encontrar el optimo cuando ya no existan números negativos, o detener el
procedimiento si el problema es cíclico.
a) determinar la columna clave, observamos la parte M del renglón indice en el cual hay un empate entre la
columna X1 y H2, en este caso tomamos la primera para que X1 entre a la zona de solución, la tabla simplex
queda de la siguiente manera:
10 12 0 0 -M
X1 X2 H1 H2 F1
0 H1 1.2 2 0 1 1 0
-M F1 0.2 0.333 0 0 0.333 1
12 X2 0.8 0.667 1 0 -0.333 0
9.6 -2 0 0 -4 0
-0.333 0 0 -0.333 0
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
b) Determinar el renglón clave.
Primer renglón: Cociente = 1.2/2 = 0.6
Segundo renglón: Cociente = 0.2/0.333 = 0.6
Tercer renglón: Cociente = 0.8/0.667 = 1.2
Como vemos existe un empate para ser renglón clave, tomaremos el segundo para que la variable F1 deje de
ser básica.
10 12 0 0 -M
X1 X2 H1 H2 F1
0 H1 1.2 2 0 1 1 0
-M F1 0.2 0.333 0 0 0.333 1
12 X2 0.8 0.667 1 0 -0.333 0
9.6 -2 0 0 -4 0
-0.333 0 0 -0.333 0
c) El numero clave es 0.333.
d) Para hacer el numero clave en unidad lo multiplicaremos por 3.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
0.6 1 0 0 1 3

e) Al hacer cambio de variable, entrara X1 a la zona de solución y saldrá F1 y podremos eliminarla de la

tabla. 10 12 0 0
X1 X2 H1 H2
0 H1 1.2 2 0 1 1
10 X1 0.6 1 0 0 1
12 X2 0.8 0.667 1 0 -0.333
9.6 -2 0 0 -4
-0.333 0 0 -0.333
f) Generar ceros en la columna clave.
Al primer renglón le restaremos el renglón clave multiplicado por 2

1.2 2 0 1 1
-2 0.6 1 0 0 1)
0 0 0 1 -1
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Al tercer renglón le restaremos el segundo renglón multiplicado por 0.667.
0.8 0.667 1 0 -0.333
-0.667 0.6 1 0 0 1)
0.4 0 1 0 -1
Para la parte numérica, le sumaremos el renglón clave multiplicado por 2.
9.6 -2 0 0 -4
+ 2 0.6 1 0 0 1)
10.8 0 1 0 -2
Finalmente la parte M del renglón indice, le sumaremos el renglón clave multiplicado por 0.333:
-0.333 0 0 -0.333
+ 0.333 1 0 0 1
0 0 0 0

Aquí nos damos cuenta que la parte M del renglón indice desaparece de la tabla simplex por ser cero todos sus
elementos, esto se debe que han desaparecido de la zona de solución.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Con estos cambios la tabla simplex queda:
10 12 0 0
X1 X2 H1 H2
0 H1 0 0 0 1 -1
10 X1 0.6 1 0 0 1
12 X2 0.4 0 1 0 -1
10.8 0 0 0 -2
Esta aproximación es:
Variables básicas. Variables no básicas.
H1 = 0 H2 = 0
X1 = 0.6
X2 = 0.4
Z = 10.8
La cual es la mejor que la anterior.
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Ahora la cuestión es: ¿ya es el optimo?, aquí ha desaparecido la parte M pero queda la parte numérica, el
cual vemos que hay un numero negativo por lo que iremos a otra iteración repitiendo el paso 4.
a) Determinar la columna clave que será H2 que tiene negativo en el renglón indice.
b) El renglón clave sera el segundo X1 puesto que tiene denominador positivo diferente de cero, con esto
nuestra tabla queda: 10 12 0 0
X1 X2 H1 H2
0 H1 0 0 0 1 -1
10 X1 0.6 1 0 0 1
12 X2 0.4 0 1 0 -1
10.8 0 0 0 -2

c) aquí el renglón clave quedara igual ya que es la unidad, pasamos al inciso e.

e) Al hacer cambios de variables, saldrá X1 de la zona de solución y entrara H2.

0 H2 0.6 1 0 0 1
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
f) Ahora generaremos ceros en elementos restantes de la columna clave.
Al primer renglón le sumaremos directamente el renglón clave.
0 0 0 1 -1
+ (0.6 1 0 0 1)
0.6 0 0 1 0
Al tercer renglón le sumaremos el renglón clave.
0.4 0 1 0 -1
+ (0.6 1 0 0 1)
1 1 1 0 0
Al renglón indice le sumaremos el renglón clave multiplicado por 2.
10.8 0 0 0 -2
+ 2 (0.6 1 0 0 1)
12 2 0 0 0
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
Con estos cambios nuestra tabla simplex queda
10 12 0 0
X1 X2 H1 H2
0 H1 0.6 1 0 1 0
0 H2 0.6 1 0 0 1
12 X2 1 1 1 0 0
12 2 0 0 0
Esta solución ya es la optima al no haber números negativos en el renglón indice, por lo que la solución es:
Variables básicas. Variables no básicas.
H1 = 0.6 X1 = 0
H2 = 0.6
X2 = 1
Z = 12
EJEMPLO 1. CASO DE MAXIMIZACIÓN.
En la figura vemos las rectas correspondientes a las
restricciones, así como los puntos que fue tomando el método,
llamados vértices y simbolizados con la letra V.
La zona factible de la solución en la linea de la ecuación 2 entre
V4 y V3 pues es la única que cumple con las tres restricciones.
En este problema el simplex comienza desde el origen, punto
V1 (X1=0 y X2=0) el cual queda fuera de la zona de solución.
En el cual se señala en la tabla simplex por el hecho de haber
Variables artificiales básicas, en este caso F1=1 y F2=2.4.
En la siguiente aproximación simplex va al punto V2 (X1=0 y X2=0.8), el cual tampoco es solución factible.
Por el hecho de qué F1=0.2, la cual sigue siendo variable básica.
Para la siguiente iteración en el punto V3 (X1=0.6 y X2=0.4) ya esta en la región factible de solución, lo cual en la
tabla simplex no hay variables artificiales básicas.
En la ultima iteración el metodo llega al punto V4 (X1=0 y X2=1) el cual es la solución optima del problema.
EJERCICIO 1.
Max Z = 8X1 + 6X2
Sujeto a:
4X1 + 3X2 ≤ 3 (1)
X1 + 2X2 ≤ 1.5
X1 + X2 = 1